論文の概要: Selecting the Best Optimizing System
- arxiv url: http://arxiv.org/abs/2201.03065v1
- Date: Sun, 9 Jan 2022 18:26:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-12 01:02:44.797487
- Title: Selecting the Best Optimizing System
- Title（参考訳）: 最適最適化システムの選択
- Authors: Nian Si, Zeyu Zheng
- Abstract要約: 最適最適化システム(SBOS)の問題を定式化し,それらの問題に対する解決策を提供する。
SBOS問題は、最適化された最適な選択決定の下で、期待されたパフォーマンスに基づいて異なるシステムを比較する。
我々は,適応的にシステムを選択するアルゴリズムを設計し,ノイズの多いシステムの性能を評価する決定を下す。
- 参考スコア（独自算出の注目度）: 16.16839471915128
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We formulate selecting the best optimizing system (SBOS) problems and provide
solutions for those problems. In an SBOS problem, a finite number of systems
are contenders. Inside each system, a continuous decision variable affects the
system's expected performance. An SBOS problem compares different systems based
on their expected performances under their own optimally chosen decision to
select the best, without advance knowledge of expected performances of the
systems nor the optimizing decision inside each system. We design
easy-to-implement algorithms that adaptively chooses a system and a choice of
decision to evaluate the noisy system performance, sequentially eliminates
inferior systems, and eventually recommends a system as the best after spending
a user-specified budget. The proposed algorithms integrate the stochastic
gradient descent method and the sequential elimination method to simultaneously
exploit the structure inside each system and make comparisons across systems.
For the proposed algorithms, we prove exponential rates of convergence to zero
for the probability of false selection, as the budget grows to infinity. We
conduct three numerical examples that represent three practical cases of SBOS
problems. Our proposed algorithms demonstrate consistent and stronger
performances in terms of the probability of false selection over benchmark
algorithms under a range of problem settings and sampling budgets.
- Abstract（参考訳）: 最適最適化システム(SBOS)の問題を定式化し,それらの問題に対する解決策を提供する。
SBOS問題では、有限個の系が競合する。
各システム内では、連続的な決定変数がシステムの期待性能に影響する。
sbos問題(sbos problem)は、システムの期待性能や各システム内の最適化決定を事前に知ることなく、最善の選択を最適に選択した決定に基づいて異なるシステムを比較する。
システムとシステム性能を評価する選択の選択を適応的に選択し,劣悪なシステムを順次排除し,最終的にユーザ特定予算を要した上で最善のシステムとして推奨する,実装の容易なアルゴリズムを設計する。
提案アルゴリズムは確率勾配降下法と逐次除去法を統合し,各システム内の構造を同時に利用し,システム間の比較を行う。
提案アルゴリズムでは,予算が無限に増加するにつれて,誤選択の確率に対して指数収束率を0に証明する。
sbos問題の3つの実用例を示す数値例を3つ紹介する。
提案アルゴリズムは,様々な問題設定とサンプリング予算の下で,ベンチマークアルゴリズムに対する誤選択の確率の観点から,一貫した,より強力な性能を示す。
関連論文リスト
- Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Stop Relying on No-Choice and Do not Repeat the Moves: Optimal,
Efficient and Practical Algorithms for Assortment Optimization [38.57171985309975]
本研究では,emphPlackett Luce (PL) を用いたコンソーシアム選択問題に対する効率的なアルゴリズムを開発した。
提案手法は,既存の手法の限界を無視し,実用的かつ確実に最適である。
論文 参考訳（メタデータ） (2024-02-29T07:17:04Z) - Analyzing and Enhancing the Backward-Pass Convergence of Unrolled
Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。
本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。
Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文 参考訳（メタデータ） (2023-12-28T23:15:18Z) - Accelerating Cutting-Plane Algorithms via Reinforcement Learning
Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。
多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。
そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文 参考訳（メタデータ） (2023-07-17T20:11:56Z) - Convergence Rate Analysis for Optimal Computing Budget Allocation
Algorithms [1.713291434132985]
オーディナル最適化(Ordinal Optimization, OO)は、離散イベント動的システムを最適化するための広く研究されている手法である。
OOのよく知られた方法は、最適計算予算配分(OCBA)である。
本稿では,2つのOCBAアルゴリズムについて検討する。
論文 参考訳（メタデータ） (2022-11-27T04:55:40Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳（メタデータ） (2022-10-04T04:43:58Z) - Dynamic Multi-objective Ensemble of Acquisition Functions in Batch
Bayesian Optimization [1.1602089225841632]
獲得関数は最適化プロセスにおいて重要な役割を果たす。
3つの取得関数は、その現在のパフォーマンスと過去のパフォーマンスに基づいて、セットから動的に選択される。
進化的多目的アルゴリズムを用いて、そのようなMOPを最適化し、非支配的な解の集合を得ることができる。
論文 参考訳（メタデータ） (2022-06-22T14:09:18Z) - Benchmarking Feature-based Algorithm Selection Systems for Black-box
Numerical Optimization [0.0]
特徴に基づくアルゴリズムの選択は、目に見えない問題において最適化アルゴリズムのポートフォリオから最適なアルゴリズムを自動的に見つけることを目的としている。
本稿では,24個のノイズレスブラックボックス最適化ベンチマーク関数のアルゴリズム選択システムについて分析する。
アルゴリズム選択システムの性能は, 逐次最小二乗プログラミングをプリゾルバとして利用することにより, 大幅に向上できることを示す。
論文 参考訳（メタデータ） (2021-09-17T07:17:40Z) - Extreme Algorithm Selection With Dyadic Feature Representation [78.13985819417974]
我々は,数千の候補アルゴリズムの固定セットを考慮に入れた,極端なアルゴリズム選択(XAS)の設定を提案する。
我々は、XAS設定に対する最先端のAS技術の適用性を評価し、Dyadic特徴表現を利用したアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-29T09:40:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。